基于GWR模型的長江流域TRMM數(shù)據(jù)降尺度

張寒博, 徐 勇, 竇世卿, 靖娟利, 張 楠, 張偉東

(1.桂林理工大學(xué) 測繪地理信息學(xué)院, 廣西 桂林 541006; 2.黑龍江省農(nóng)墾科學(xué)院, 哈爾濱 150038)

降水是地球水循環(huán)中重要的一環(huán)，在不同時空尺度的大氣過程中也扮演著不可或缺的角色，是氣象學(xué)、生態(tài)學(xué)和水文學(xué)的重要參數(shù)，推動全球物質(zhì)循環(huán)和能量交換。傳統(tǒng)的區(qū)域降水?dāng)?shù)據(jù)一般是基于氣象站觀測值通過以點帶面的空間插值方法獲取[1-3]，因此需要站點數(shù)據(jù)滿足分布均勻，且分布密度較高[4]，實際較難達到要求。

近年來，衛(wèi)星遙感技術(shù)發(fā)展迅速，通過遙感數(shù)據(jù)進行降水探測已成為空間化降水?dāng)?shù)據(jù)的重要來源[5]。1997年TRMM(Tropical Rainfall Measuring Mission)衛(wèi)星的成功發(fā)射，更是為與降水有關(guān)的研究提供了更豐富的數(shù)據(jù)源[6]。TRMM能提供較為精確的高時間分辨率降水?dāng)?shù)據(jù)，反映降水的時間變化特征及空間分布特征[7-8]。國內(nèi)外學(xué)者在不同時空尺度、不同地區(qū)對TRMM數(shù)據(jù)精度已進行了檢驗，研究表明TRMM數(shù)據(jù)與氣象站點數(shù)據(jù)、雷達觀測數(shù)據(jù)有較好的一致性[9]。谷黃河等[10]通過TRMM數(shù)據(jù)與氣象站實測數(shù)據(jù)在時間和空間分布上的對比分析，得出了TRMM數(shù)據(jù)在長江流域具有較高精度。

在各類遙感降水產(chǎn)品中，TRMM數(shù)據(jù)的空間分辨率已較為出色，但仍未滿足區(qū)域空間精度要求，因此，對TRMM數(shù)據(jù)進行降尺度研究十分必要。通過降尺度技術(shù)實現(xiàn)遙感數(shù)據(jù)空間分辨率的提高，有助于推進中小尺度區(qū)域降水時空變化特征的研究。目前，國內(nèi)外學(xué)者通過不同方法獲得降尺度TRMM數(shù)據(jù)。常用的降尺度模型有兩種：一般線性回歸模型和地理加權(quán)回歸模型，一般線性回歸模型采用經(jīng)典統(tǒng)計學(xué)理論中的最小二乘法(Ordinary Least Squares，OLS)，具有完善的統(tǒng)計推斷方法，但由于降水與地表特征之間存在空間非平穩(wěn)性和尺度依賴，因此忽略了數(shù)據(jù)的局部特性[11-13]。地理加權(quán)回歸模型不僅強調(diào)了空間局部特征，還能反映降水的空間異質(zhì)性[14]。Chen[15]基于GWR模型對華北地區(qū)TRMM 3B43數(shù)據(jù)進行了降尺度，結(jié)果表明通過GWR模型可以得到高分辨率降水?dāng)?shù)據(jù)；姬世保等[16]選取NDVI、坡度、坡向等作為自變量，降水作為因變量建立GWR模型和多元線性回歸模型，將黔桂喀斯特山地TRMM數(shù)據(jù)從0.25°×0.25°降尺度為0.05°×0.05°，并通過交叉驗證法對降尺度結(jié)果進行優(yōu)選。研究結(jié)果表明GWR模型精度優(yōu)于多元線性回歸模型；李瓊等[17]以黃河源區(qū)降水?dāng)?shù)據(jù)為因變量，經(jīng)緯度、地形因子主成分變量為自變量，采用逐步回歸、BP神經(jīng)網(wǎng)絡(luò)、GWR地理加權(quán)回歸3種方法對TRMM 3B43數(shù)據(jù)進行降尺度，研究表明GWR地理加權(quán)回歸降尺度效果最好；Fung等[18]通過建立EVI值和降水量之間的關(guān)系進行線性回歸，研究表明EVI和降水量的關(guān)系比NDVI更為密切；目前國內(nèi)對遙感降水?dāng)?shù)據(jù)的降尺度研究主要是通過建立單要素或多要素與遙感降水?dāng)?shù)據(jù)的全局回歸模型為主[19]，且大多以NDVI為解釋變量。

本文在考慮地形因子的同時，通過不同植被指數(shù)反演TRMM降尺度數(shù)據(jù)，分別以EVI，NDVI為解釋變量，DEM、坡向為控制變量，基于GWR模型對長江流域TRMM 3B43數(shù)據(jù)進行降尺度研究。并將氣象站觀測降水量作為驗證數(shù)據(jù)集，分別對原始TRMM數(shù)據(jù)、降尺度數(shù)據(jù)(表1)進行精度驗證與結(jié)果與分析。

表1 降尺度數(shù)據(jù)信息

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

長江流域(圖1)位于24°27′—54′N、90°33′—122°19′E，流域面積180萬km2，約占我國國土面積的19%，發(fā)源于青藏高原格拉丹東雪山西南側(cè)，東臨太平洋。干流流經(jīng)11個省份，流域形狀表現(xiàn)為東西長、南北窄，地勢西高東低，起伏較大，呈三級階梯狀[ 10]。長江流域水資源豐富，是中國水資源配置的戰(zhàn)略水源地，降水主要受東南季風(fēng)和西南季風(fēng)影響，在時間上具有明顯的年際和季節(jié)特征，在空間上呈現(xiàn)出顯著的空間異質(zhì)性[20]。此外，長江流域不僅在區(qū)域水循環(huán)、氣候變化等方面研究上有著重要作用，同時還是中國經(jīng)濟發(fā)展的主驅(qū)動軸[21]。

圖1 研究區(qū)及氣象站點分布

1.2 數(shù)據(jù)來源與預(yù)處理

本文采用2001—2019年的TRMM 3B43(Version 7) 作為降水?dāng)?shù)據(jù)源，其空間分辨率為0.25°×0.25°(約27.5 km×27.5 km)，時間分辨率為1個月，空間范圍為(50°S—50°N，0°—180°—0°)，格式為HDF。NDVI，EVI數(shù)據(jù)來自terra衛(wèi)星MODIS傳感器的植被指數(shù)數(shù)據(jù)MOD13A3，空間分辨率為1 km×1 km，時間分辨率為1個月。3種數(shù)據(jù)都通過NASA數(shù)據(jù)庫免費獲得(https:∥search.earthdata.nasa.gov/)。DEM數(shù)據(jù)從地理空間數(shù)據(jù)云(http:∥www.gscloud.cn/)SRTM數(shù)據(jù)集獲取，空間分辨率為90 m×90 m。降水量地面觀測數(shù)據(jù)選取長江流域2001—2019年147個地面站(圖1)氣象數(shù)據(jù)日值數(shù)據(jù)集，數(shù)據(jù)內(nèi)容包括各站點經(jīng)緯度、海拔、日降水量等。數(shù)據(jù)來源于中國氣象局國家氣象中心(http:∥cdc.cma.gov.cn/home.do)。

通過MRT(MODIS Reprojection Tool)在Java環(huán)境下對NDVI，EVI數(shù)據(jù)進行批量波段提取、拼接、投影變換、區(qū)域裁剪、無效值剔除、最大值合成等操作，得到2001—2019年NDVI月數(shù)據(jù)、EVI月數(shù)據(jù)。并通過ArcGIS對一年12期的NDVI，EVI數(shù)據(jù)求平均，分別得到年均NDVI、年均EVI數(shù)據(jù)；TRMM數(shù)據(jù)借助ENVI軟件進行批量投影轉(zhuǎn)換、旋轉(zhuǎn)、格式轉(zhuǎn)換、單位轉(zhuǎn)換等預(yù)處理，將一年12期的TRMM數(shù)據(jù)進行求和，獲得TRMM年累計數(shù)據(jù)；DEM數(shù)據(jù)進行投影轉(zhuǎn)換，再采用最鄰近內(nèi)插法將其重采樣為1 km×1 km，并利用ArcGIS計算出坡向數(shù)據(jù)；降水量地面觀測數(shù)據(jù)經(jīng)質(zhì)量控制，剔除無效數(shù)據(jù)，對缺失值進行插補后累加得到各站點月、年時間尺度的降水總量。

2 研究方法

2.1 GWR模型介紹(原理)

2.1.1 地理加權(quán)回歸模型GWR 地理加權(quán)回歸模型(Geographically Weighted Regression，GWR)最早是由Brunsdon等[22]于1996年提出的一種用于量化空間異質(zhì)性的局部參數(shù)估計方法[23]，是傳統(tǒng)回歸模型的擴展。地理加權(quán)回歸模型應(yīng)用了局部回歸的思想，遵循地理學(xué)第一定律，通過引入數(shù)據(jù)的空間位置計算數(shù)據(jù)在局部回歸方程中的權(quán)重。在考慮相鄰點的空間權(quán)重下，通過估算每一位置的因變量與解釋變量的參數(shù)來建立回歸模型[24-25]。其基本公式如下：

(i=1，2，…，m)

(1)

式中:yi為第i個樣本點的降水量,作為因變量,共有m個點;xit為第t個解釋變量的第i個樣本點的觀測值;(ui,vi)表示第i個樣本點的經(jīng)緯度坐標(biāo);β0(ui,vi)為第i個樣本點的常數(shù)項回歸參數(shù);βt(ui,vi)為第t個影響因子對第i個樣本點的線性回歸參數(shù)；ε(ui,vi)為模型在第i個樣本點所計算出來的殘差值。

2.1.2 高斯(Gauss)函數(shù)法原理 空間權(quán)重矩陣的計算是GWR模型求解的關(guān)鍵。高斯函數(shù)法可以較高的精度計算出權(quán)重比，并基于地理學(xué)第一定律，通過距離和權(quán)重呈現(xiàn)反比關(guān)系，構(gòu)建出一個單調(diào)遞減的連續(xù)性函數(shù)式，公式如下：

(2)

式中：Dit為研究區(qū)點與點之間的距離;b為帶寬,用來描述權(quán)重與距離函數(shù)關(guān)系式的非負(fù)衰減參數(shù); exp[-(Dxi/b)2]為以e為底的指數(shù)函數(shù)。

2.1.3 CV法則原理 帶寬GWR的大小對GWR模型結(jié)果有較大影響，國際上最普遍的方法就是用Cleveland和Bowman提出的交叉驗證(cross-validation，CV)方法來確定，公式如下：

(3)

2.2 降尺度方法

本文利用TRMM數(shù)據(jù)和NDVI，EVI，DEM，坡向影響因子基于MATLAB環(huán)境建立函數(shù)關(guān)系，來實現(xiàn)TRMM數(shù)據(jù)的降尺度，主要步驟如下：

(1) 將1 km×1 km分辨率的NDVI，EVI，DEM，坡向數(shù)據(jù)重采樣為0.25°×0.25°。將數(shù)據(jù)分為高分辨率組數(shù)據(jù)(1 km)和低分辨率組數(shù)據(jù)(0.25°)。

(2) 將統(tǒng)一尺度的低分辨率組數(shù)據(jù)中的TRMM數(shù)據(jù)(0.25°)為因變量，NDVI數(shù)據(jù)(0.25°)/EVI數(shù)據(jù)(0.25°)為解釋變量、DEM數(shù)據(jù)(0.25°)、坡向數(shù)據(jù)(0.25°)為控制變量，建立GWR訓(xùn)練模型。從回歸模型中得到常數(shù)項，解釋變量、各控制變量對應(yīng)系數(shù)及殘差結(jié)果。

(3) 將上步的模型結(jié)果柵格化，并將常數(shù)項，解釋變量、控制變量系數(shù)重采樣為1 km，對殘差結(jié)果通過反距離權(quán)重法插值得到高分辨率的殘差(1 km)。

(4) 將高分辨率組數(shù)據(jù)按照GWR模型原理進行回代，將解釋變量系數(shù)、各控制變量系數(shù)(1 km)與同分辨率的解釋變量、控制變量相乘，并與常數(shù)項(1 km)相加，得到預(yù)測降水?dāng)?shù)據(jù)(1 km)。

(5) 將預(yù)測降水?dāng)?shù)據(jù)與同分辨率殘差數(shù)據(jù)相加得到最終的降尺度降水?dāng)?shù)據(jù)(1 km)。

2.3 插值方法的選取

通過GWR模型得到的預(yù)測數(shù)據(jù)與原始TRMM數(shù)據(jù)存在著一定的殘差，需要借助插值方法對殘差數(shù)據(jù)進行尺度轉(zhuǎn)換處理。本文選取研究區(qū)域5 367個樣點，分為3 634個訓(xùn)練點和1 733個驗證點，通過交叉驗證對自然鄰點法、樣條函數(shù)法、普通克里金法、反距離權(quán)重法4種差值方法進行比較，并以均方根誤差(RMSE)、決定系數(shù)(R2)作為驗證指標(biāo)。交叉驗證結(jié)果見表2，本研究選擇反距離權(quán)重插值法進行殘差插值。

表2 交叉驗證結(jié)果

2.4 評價指標(biāo)

本文以氣象站實測數(shù)據(jù)為“真實值”，引入決定系數(shù)(R2)、均方根誤差(Root Mean Square Error,RMSE)、相對誤差(BIAS)及平均絕對偏差(MAE)4個指標(biāo)對降尺度結(jié)果進行精度驗證。R2評定實測值與降尺度降水?dāng)?shù)據(jù)的相關(guān)性，其值在0到1之間，值越大相關(guān)性越高；BIAS反映“真實值”與降尺度降水?dāng)?shù)據(jù)的偏離程度，值越接近0精度越高；RMSE評定誤差的整體水平；MAE則評定誤差的實際情況。公式如下：

(4)

(5)

(6)

(7)

3 結(jié)果與分析

3.1 TRMM數(shù)據(jù)適用性分析

衛(wèi)星降水?dāng)?shù)據(jù)與氣象站點實測數(shù)據(jù)在不同時空尺度存在偏差。為了保證TRMM 3B43數(shù)據(jù)降尺度的可行性與降尺度結(jié)果的可靠性，首先對TRMM數(shù)據(jù)的適用性進行分析。以長江流域2001—2019年147個氣象站數(shù)據(jù)為自變量，對應(yīng)年尺度TRMM降水?dāng)?shù)據(jù)為因變量，進行一元線性回歸分析。并基于氣象站點通過建立Thiessen多邊形對研究區(qū)進行分割，得到站點相關(guān)系數(shù)的空間分布。由圖2可知，長江流域TRMM降水?dāng)?shù)據(jù)與實測降水?dāng)?shù)據(jù)之間的相關(guān)系數(shù)為0.46～0.97，且大多數(shù)站點在0.75以上，東部相關(guān)系數(shù)整體優(yōu)于西部。通過相關(guān)系數(shù)顯著性檢驗，所有站點通過了95%顯著性檢驗，式中135個氣象站在p<0.01水平下顯著。這說明兩種數(shù)據(jù)之間具有較好的線性相關(guān)性，在長江流域進行年尺度降水的降尺度研究具有一定的科學(xué)合理性。

圖2 氣象站點相關(guān)系數(shù)分布

3.2 降尺度結(jié)果與驗證

3.2.1 多年平均降水降尺度結(jié)果 對2001—2019年的TRMM 3B43年累計降水?dāng)?shù)據(jù)、年均NDVI數(shù)據(jù)、年均EVI數(shù)據(jù)分別求平均得到多年平均數(shù)據(jù)，通過GWR模型獲得降尺度TRMM數(shù)據(jù)。由圖3可知：TRMM原始數(shù)據(jù)年均降水范圍為251～2 145 mm，NDVI_降尺度TRMM數(shù)據(jù)范圍為60～2 415 mm，EVI_降尺度TRMM數(shù)據(jù)為81～2 599 mm；洞庭湖支流區(qū)域降尺度前后細節(jié)表征更突出。整體空間分布特征上，TRMM數(shù)據(jù)在降尺度前后趨于一致，呈現(xiàn)由東向西遞減的特點，其中東南地區(qū)年降水量一般大于1 600 mm，局部地區(qū)大于2 000 mm。原始TRMM數(shù)據(jù)空間分辨率相對較粗糙，局部特征不明顯，經(jīng)過GWR降尺度計算，空間分辨率從0.25°提升至1 km，其降水范圍大于原始TRMM數(shù)據(jù)，細節(jié)性增強，能更好體現(xiàn)降水特征。

圖3 2001-2019年平均年降水量空間分布

為進一步驗證TRMM數(shù)據(jù)降尺度結(jié)果的準(zhǔn)確度和精度，將研究區(qū)內(nèi)147個氣象站點多年平均觀測數(shù)據(jù)分別與對應(yīng)的降尺度前后TRMM數(shù)據(jù)進行一元線性回歸分析(圖4)，以R2，BIAS，RMSE和MAE共4種統(tǒng)計指標(biāo)對降尺度結(jié)果進行驗證。驗證結(jié)果表明：TRMM降水?dāng)?shù)據(jù)與氣象站點觀測數(shù)據(jù)之間的R2，BIAS，RMSE以及MAE分別為0.911 6，0.061 56，131.862，102.557，TRMM降水?dāng)?shù)據(jù)與氣象站點觀測數(shù)據(jù)之間具有明顯的線性相關(guān)性，且原始TRMM數(shù)據(jù)的降水量整體比站點觀測數(shù)據(jù)降水量偏大。

與TRMM原始數(shù)據(jù)的降水量相比，兩種降尺度數(shù)據(jù)的R2，BIAS均有所下降，RMSE和MAE略微上升。NDVI_降尺度降水?dāng)?shù)據(jù)R2指標(biāo)值為0.906 2，更接近于0.911 6；BIAS值增加了0.019 6，RMSE指標(biāo)值提升了3.371 mm，MAE提升0.51 mm；EVI_降尺度降水?dāng)?shù)據(jù)R2指標(biāo)值為0.900 7，減少了0.010 9，BIAS值增加0.036 5，RMSE指標(biāo)值提升了7.059 mm，MAE提升4.029 mm。整體來看，NDVI_降尺度模型相比EVI_降尺度模型精度更高。

圖4 降尺度前后TRMM數(shù)據(jù)與實測降水?dāng)?shù)據(jù)散點圖

3.2.2 年尺度降水降尺度 把2001—2019年氣象站點的實測降水?dāng)?shù)據(jù)和對應(yīng)的原始TRMM 3B43降水?dāng)?shù)據(jù)、NDVI_降尺度TRMM數(shù)據(jù)、EVI_降尺度TRMM數(shù)據(jù)進行逐年檢驗和對比分析。圖5為3種數(shù)據(jù)與氣象站點實測降水?dāng)?shù)據(jù)精度檢驗得出的4種參數(shù)對比圖。由圖5A可知：2001—2019年3種降水?dāng)?shù)據(jù)各年R2曲線趨勢表現(xiàn)為明顯的一致性，19 a間原始TRMM數(shù)據(jù)與氣象站實測降水量的R2普遍相對較好；NDVI_降尺度降水量與氣象站實測降水量的R2與前者幾乎接近，2010年、2019年比前者相關(guān)性更好；EVI_降尺度降水量與氣象站實測降水量的R2相比前兩種表現(xiàn)稍差。降尺度前后數(shù)據(jù)的R2有所下降，其原因是在尺度轉(zhuǎn)換過程中會產(chǎn)生誤差，導(dǎo)致降水量估計有偏差。圖5B-5D為3種數(shù)據(jù)與站點實測數(shù)據(jù)的BIAS，RMSE及MAE值的對比，其中BIAS原始TRMM數(shù)據(jù)表現(xiàn)最好，NDVI_降尺度降水?dāng)?shù)據(jù)次之，EVI_降尺度降水?dāng)?shù)據(jù)相對較差；2006年、2010年、2012年、2015年、2019年NDVI_降尺度降水?dāng)?shù)據(jù)與氣象站點實測數(shù)據(jù)的RMSE和MAE最小，能更好反映真實降水，其余各年略微低于原始TRMM數(shù)據(jù)；各年內(nèi)EVI_降尺度前后TRMM降水?dāng)?shù)據(jù)與氣象站實測數(shù)據(jù)間的RMSE和MAE都大于另兩種數(shù)據(jù)，精度相對較差。整體而言，DVI_降尺度結(jié)果優(yōu)于EVI_降尺度結(jié)果，在提高空間分辨率的同時較好地保持?jǐn)?shù)據(jù)的精度，能更真實地反映研究區(qū)域內(nèi)的降水特征。

圖5 2001-2019年精度檢驗結(jié)果

3.2.3 典型年降水降尺度結(jié)果與驗證 2001—2019年年均降水量為1 109.31 mm，2011年降水量924.91 mm為近19 a最低，2016年降水1 287.25 mm為近19 a最高。以2011年作為干旱年、2016年作為濕潤年，進行典型年份降水降尺度結(jié)果與分析。按上述降尺度步驟對2011年、2016年TRMM數(shù)據(jù)進行降尺度，得到相應(yīng)年份的NDVI_降尺度預(yù)測TRMM和EVI_降尺度預(yù)測TRMM(圖6B)，并對殘差插值得到(圖6C)1 km殘差值，最后得出相應(yīng)年份的NDVI_降尺度TRMM數(shù)據(jù)和EVI_降尺度TRMM數(shù)據(jù)(圖6D)。由圖6可知，兩種降尺度結(jié)果空間分辨率都有大幅度提升，細節(jié)性增強，能更好地體現(xiàn)降水特征。典型年份(2011年、2016年)的降水量空間分布趨勢與多年年均降水相近，整體呈現(xiàn)從東向西逐漸減小的趨勢，其中，干旱年份降水主要分布在長江流域中北部和東北部，濕潤年份降水主要分布在長江流域東南部。2011年原始TRMM年均降水范圍為235～1 874 mm，NDVI_降尺度結(jié)果降水范圍為153～1 964 m，EVI_降尺度結(jié)果降水范圍為145～2 001 mm；2016年原始TRMM年均降水范圍為183～3 022 mm，NDVI_降尺度結(jié)果降水范圍為131～3 308 mm，EVI_降尺度結(jié)果降水范圍為116～3 315 mm。兩種降尺度結(jié)果都使降水區(qū)間范圍擴大，NDVI_降尺度數(shù)據(jù)范圍變化相對較小，更加符合實際降水特征。

利用長江流域2011年、2016年147個氣象站點實測數(shù)據(jù)對兩種降尺度結(jié)果進行驗證。從表3可以看出濕潤年份R2整體優(yōu)于干旱年份，且2個年份的NDVI_降尺度TRMM數(shù)據(jù)和EVI_降尺度TRMM數(shù)據(jù)與原始TRMM數(shù)據(jù)相比，R2均有所下降，但NDVI_降尺度數(shù)據(jù)R2更接近；BIAS，RMSE，MAE均有所上升，NDVI_降尺度TRMM數(shù)據(jù)精度要好于EVI_降尺度TRMM數(shù)據(jù)。

圖6 TRMM降水值、預(yù)測降水值、殘差值及降尺度降水值

4 結(jié) 論

本文以長江流域為研究區(qū)，以2001—2019年的MODIS和TRMM產(chǎn)品為數(shù)據(jù)源，在充分考慮TRMM 3B43降水?dāng)?shù)據(jù)在長江流域的適用性的基礎(chǔ)上，基于GWR模型，選用不同的降尺度參數(shù)，對TRMM 3B43數(shù)據(jù)進行降尺度研究。并對TRMM原始數(shù)據(jù)、降尺度降水?dāng)?shù)據(jù)與氣象站點實測數(shù)據(jù)進行結(jié)果檢驗和對比分析。得出以下結(jié)論：

(1) TRMM 3B43降水?dāng)?shù)據(jù)在長江流域年時間尺度上具有較好精度，其與氣象站點實測降水?dāng)?shù)據(jù)的R2為0.911 6，且站點相關(guān)系數(shù)大多在0.75以上，表現(xiàn)出一定的適用性。

表3 典型年份降尺度結(jié)果對比

(2) 選取研究區(qū)5 367個樣點，采用均方根誤差(RMSE)、決定系數(shù)(R2)作為驗證指標(biāo)。通過交叉驗證法對插值方式進行選擇，經(jīng)分析選擇反距離權(quán)重插值法進行殘差插值結(jié)果最優(yōu)。

(3) TRMM 3B43數(shù)據(jù)在兩種降尺度處理前后的空間分布特征上都整體趨于一致，表現(xiàn)為由東向西遞減的特點，原始TRMM降水?dāng)?shù)據(jù)局部特征較模糊，降尺度數(shù)據(jù)細節(jié)特征表現(xiàn)更好。NDVI_降尺度TRMM數(shù)據(jù)在與氣象站點實測數(shù)據(jù)之間的R2，BIAS，RMSE，MAE指標(biāo)上都優(yōu)于EVI_降尺度TRMM數(shù)據(jù)，且2006年、2010年、2012年、2015年、2019年各項指標(biāo)比原始TRMM數(shù)據(jù)更好，可以反映長江流域真實的降水信息。

(4) 整體而言，兩種降尺度降水?dāng)?shù)據(jù)區(qū)間范圍相比原始TRMM降水?dāng)?shù)據(jù)區(qū)間范圍擴大，濕潤年份降尺度結(jié)果優(yōu)于干旱年份。